引入多级扰动的混合型粒子群优化算法

发布时间：2021-01-22 03:16

　　为解决粒子群优化算法易陷入局部最优值的问题,提出一种引入多级扰动的混合型粒子群优化算法.该算法结合两种经典改进粒子群优化算法的优点,即带惯性参数的标准粒子群优化算法和带收缩因子的粒子群优化算法,在此基础上,引入多级扰动机制:在更新粒子位置时,引入一级扰动,使粒子对解空间的遍历能力得到加强;若优化过程陷入"局部最优"的情况,则引入二级扰动,使得优化过程继续,从而摆脱局部最优值.使用了6个测试函数——Sphere函数、Ackley函数、Rastrigin函数、Styblinski-Tang函数、Duadric函数及Rosenbrock函数来对所提出的混合型粒子群优化算法进行仿真运算和对比验证.模拟运算的结果表明:所提出的混合型粒子群优化算法在对测试函数进行仿真时,其收敛精度和收敛速度都优于另外两种经典的改进粒子群优化算法;另外,在处理多峰函数时,本算法不易被局部最优值所限制. 

【文章来源】：软件学报. 2019,30(06)北大核心

【文章页数】：18 页

【文章目录】：
1传统粒子群优化算法
    1.1粒子群优化算法
    1.2标准粒子群优化算法
    1.3带收缩因子的粒子群优化算法
2新的带多级扰动的混合型粒子群优化算法
3算法仿真实验
    3.1测试函数
    3.2仿真实验结果与分析
4结论


【参考文献】：
期刊论文
[1]基于混沌粒子群算法的跳跃-滑翔轨迹优化[J]. 施健峰,李伶,吕建强.  航天控制. 2017(04)
[2]一种求解服务链映射问题的离散粒子群优化算法[J]. 马丁,庄雷,兰巨龙.  小型微型计算机系统. 2017(08)
[3]基于网格排序的多目标粒子群优化算法[J]. 李笠,王万良,徐新黎,李伟琨.  计算机研究与发展. 2017(05)
[4]任务调度算法中新的自适应惯性权重计算方法[J]. 李学俊,徐佳,朱二周,张以文.  计算机研究与发展. 2016(09)
[5]基于粒子群优化算法的类集成测试序列确定方法[J]. 张艳梅,姜淑娟,陈若玉,王兴亚,张妙.  计算机学报. 2018(04)
[6]基于模式组合的粒子群优化测试用例生成方法[J]. 姜淑娟,王令赛,薛猛,张艳梅,于巧,姚慧冉.  软件学报. 2016(04)
[7]基于正交实验设计的人工蜂群算法[J]. 周新宇,吴志健,王明文.  软件学报. 2015(09)
[8]基于惯性权重对数递减的粒子群优化算法[J]. 戴文智,杨新乐.  计算机工程与应用. 2015(17)
[9]基于自适应搜索中心的骨干粒子群算法[J]. 王东风,孟丽,赵文杰.  计算机学报. 2016(12)
[10]具备反向学习和局部学习能力的粒子群算法[J]. 夏学文,刘经南,高柯夫,李元香,曾辉.  计算机学报. 2015(07)

博士论文
[1]粒子群优化算法的改进及应用研究[D]. 刘逸.西安电子科技大学 2013
[2]粒子群优化算法的理论及实践[D]. 张丽平.浙江大学 2005

硕士论文
[1]粒子群优化算法的几种改进算法及应用[D]. 鲁姝颖.中国矿业大学 2014



本文编号：2992441